台湾的大学课程演算法相当于大陆的哪门课?，混合遗传演算法和遗传演算法有什么区别

大家好，今天小编在百度知道关注到一个比较有意思的话题，就是关于演算法的问题，于是小编就整理了2个相关介绍演算法的解答，让我们一起看看吧。

文章目录：

1. 台湾的大学课程演算法相当于大陆的哪门课?
2. 混合遗传演算法和遗传演算法有什么区别

一、台湾的大学课程演算法相当于大陆的哪门课?

就是大陆学校里的算法设计与分析

演算法（Algorithm）是指完成一个任务所需要的具体步骤和方法。也就是说给定初始状态或输入资料，能够得出所要求或期望的终止状态或输出资料。

演算法常常含有重复的步骤和一些比较或逻辑判断。不同的演算法可能用不同的时间、空间或效率来完成同样的任务。一个演算法的优劣可以用空间复杂度与时间复杂度来衡量。

你所列的课程完全跟台湾的演算法无关,一般在电子里头有个单位在做这个,DSP,相信你有听过

二、混合遗传演算法和遗传演算法有什么区别

混合遗传演算法和遗传演算法有什么区别

而混合遗传演算法是在遗传演算法的基础上引入其它优化演算法（如区域性寻优能力强的演算法），以保证遗传演算法全域性效能的基础上大大减小计算量，提高收敛速度。一般引入的演算法有：传统梯度类演算法、单纯形法及模拟退火等等）这些演算法都很容易与遗传演算法相容。

量子遗传演算法与遗传演算法有什么区别

量子遗传演算法是量子计算与遗传演算法相结合的产物。目前，这一领域的研究主要集中在两类模型上：一类是基于量子多宇宙特征的多宇宙量子衍生遗传演算法(Quantum Inspired Geic Algorithm)，另一类是基于量子位元和量子态登加特性的遗传量子演算法(Geic Quantum Algorithm,GQA)。

量 子遗传演算法(Quantum GeicA lgorithm,QGA)。QGA采用多状态基因量子位元编码方式和通用的量子旋转门操作。引入动态调整旋转角机制和量子交叉，比文献[2]的方法更具有通用性，且效率更高。但该方法仍是一个群体独自演化没有利用盈子资讯的多宇宙和宇宙间的纠缠特性效率有待进一步提高。文献[3]提出一种多宇宙并行量子遗传演算法(Multiuniverse Parallel Quantum Geic Algorithm,MPQGA)，演算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体，称为宇宙；采用多状态基因量子位元编码方式来表达宇宙中的个体；采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化；各宇宙独立演化，这样可扩大搜索空间，宇宙之间采用最佳移民、量子交叉和量子变异操作来交换资讯使演算法的适应性更强，效率更高。

什么叫遗传演算法，遗传演算法有什么用

遗传演算法和蚁群演算法的区别

蚁群演算法(Ant Colony Optimization, ACO)，是一种用来在图中寻找优化路径的机率型演算法。

两种演算法从概念上都属于随机优化演算法，遗传演算法是进化演算法，主要通过选择、变异和交叉运算元，其中每个基因是由二进位制串组成；蚁群演算法是基于图论的演算法，通过资讯素选择交换资讯。

遗传演算法

混合蚁群遗传演算法,MATLAB程式设计

matlab 遗传演算法

clear

clc

Max_gen=100;% 执行代数

pop_size=100;%种群大小

chromsome=10;%染色体的长度

pc=0.9;%交叉概率

pm=0.25;%变异概率

gen=0;%统计代数

%初始化

init=40*rand(pop_size,chromsome)-20;

pop=init;

fit=obj_fitness(pop);

[max_fit,index_max]=max(fit);maxfit=max_fit;

[min_fit,index_min]=min(fit);best_indiv=pop(index_max,:);

%迭代操作

while gen<Max_gen

gen=gen+1; bt(gen)=max_fit;

if maxfit<max_fit;maxfit=max_fit;pop(index_min,:)=pop(index_max,:);best_indiv=pop(index_max,:);end

best_indiv_tmp(gen)=pop(index_max);

newpop=ga(pop,pc,pm,chromsome,fit);

fit=obj_fitness(newpop);

[max_fit,index_max]=max(fit);

[min_fit,index_min]=min(fit);

pop=newpop;

trace(1,gen)=max_fit;

trace(2,gen)=sum(fit)./length(fit);

end

%执行结果

[f_max gen_ct]=max(bt)%求的最大值以及代数

maxfit

best_indiv

%画图

% bt

hold on

plot(trace(1,:),'.g:');

plot( trace(2,:),'.r-');

title('实验结果图')

xlabel('迭代次数/代'),ylabel('最佳适应度（最大值）');%座标标注

plot(gen_ct-1,0:0.1:f_max+1,'c-');%画出最大值

text(gen_ct,f_max+1, '最大值')

hold off

function [fitness]=obj_fitness(pop)

%适应度计算函式

[r c]=size(pop);

x=pop;

fitness=zeros(r,1);

for i=1:r

for j=1:c

fitness(i,1)=fitness(i,1)+sin(sqrt(abs(40*x(i))))+1-abs(x(i))/20.0;

end

end

function newpop=ga(pop,pc,pm,chromsome,fit);

pop_size=size(pop,1);

%轮盘赌选择

ps=fit/sum(fit);

pscum=cumsum(ps);%size(pscum)

r=rand(1,pop_size);qw=pscum*ones(1,pop_size);

selected=sum(pscum*ones(1,pop_size)<ones(pop_size,1)*r)+1;

newpop=pop(selected,:);

%交叉

if pop_size/2~=0

pop_size=pop_size-1;

end

for i=1:2:pop_size-1

while pc>rand

c_pt=round(8*rand+1);

pop_tp1=newpop(i,:);pop_tp2=newpop(i+1,:);

newpop(i+1,1:c_pt)=pop_tp1(1,1:c_pt);

newpop(i,c_pt+1:chromsome)=pop_tp2(1,c_pt+1:chromsome);

end

end

% 变异

for i=1:pop_size

if pm>rand

m_pt=1+round(9*rand);

newpop(i,m_pt)=40*rand-20;

end

end

什么叫遗传演算法，遗传演算法有什么用？希望通俗一点儿

首先，我不用取所有可能取值，我只取几十个或者几百个（自己定），然后进行处理，怎样处理呢？让我们回到刚开始的人类进化问题，虽然没有上帝的帮忙，但是我们知道，自然界遵循优胜劣汰的发贼，遵循交叉变异的法则，虽然不能数字化，但是这是个趋势！我们就是把这种法则数学化！所取的几十个值我要剩下哪些？要抛弃哪些？要处理哪些？这都要我们自己选择，肯定是选择最合适的取值留下，经过一系列的处理，就生成了新的群体，然后再处理，自己约定处理到第几次就可以了，取出现过的最大值

不用担心取到的是不是最大值，因为数学上已经有了证明，这种方法是收敛的，概率是1，所以尽管放心的做，具体的做法要参考相关书籍，不难的。

遗传演算法的最大用处就是解决数学理论不能解决的问题！比如路径规划，排程问题……

蚁群演算法与遗传演算法的区别？

但是蚁群演算法具有一定的记忆性，遗传演算法没有

蚁群演算法有几种原则，比如觅食原则，避障原则等，遗传演算法没有

蚁群演算法属于群智慧优化演算法，具有并行性，每个粒子都可以主动寻优，遗传演算法不行

蚁群演算法基于资讯素在环境中的指示，遗传演算法是基于优胜劣汰的生物进化思想

遗传演算法有选择，交叉，变异三种运算元，每种运算元又有各自的不同方法，通过对运算元方法的修改和搭配，可以得到不同的改进遗传演算法

蚁群演算法则多和其他智慧演算法相结合，得到改进的蚁群演算法

ncga和nsga-ii遗传演算法的区别

2 采用二人或多人锦标赛形式，在配对池里产生新的染色体子代，新生代种群规模为原来种群规模的一半。

3 针对新生代群体进行交叉和变异操作，以概率的方法判决进行交叉还是变异操作，一般来说，我们以较大的概率交叉，较小的概率进行变异，具体的交叉变异操作文献上都有，和二进位制遗传演算法是不一样的，一会儿我会讲到。随机选择的一对父母染色体进行交叉操作会产生一对新的染色体，而变异操作仅仅是针对一个单亲变异，所以只产生一个新的染色体。

4 合并原来的种群和后代种群，计算适应度值，输出最优解空间

5 演算法结束。

到此，以上就是小编对于演算法的问题就介绍到这了，希望介绍关于演算法的2点解答对大家有用。